Keras学习---RNN模型建立篇
来源:互联网 发布:剑灵24人本优化不卡 编辑:程序博客网 时间:2024/06/04 18:04
本例子是“IMDB sentiment classification task”,用单层LSTM实现。
1. 输入数据预处理
输入文本数据统一规整到长度maxlen=80个单词,为什么呢?
输入文本数据统一规整到长度maxlen=80个单词,为什么呢?
是不是长度太长时训练容易发散掉,这样就限制了记忆的长度了。
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
有没有动态的呢?因为输入的句子长度本身是动态长度的。
2. Embedding layer
代码中,max_features=20000对应的是词汇量大小。
关于Embedding Vector,如果是中文的,怎么处理呢?
在RNN训练过程中Embedding Vector是否也参与了训练呢?如何选择?
3. 关于RNN的模型架构的理解
Embedding Vector是128维的,隐层是128个节点(也可以是其他数值)。
Embedding Vector与隐层的节点是全连接的,隐层每个节点自带存储单元的。
在这个128节点的隐层之上,有一个Dense节点。这个Dense节点是和128节点的隐层全连接的。
Foward过程就是每次输入80个单词中的一个,直到最后一个单词输入结束,Dense节点最终的输出就是估计的Y值了
完整代码如下:
'''Trains a LSTM on the IMDB sentiment classification task.The dataset is actually too small for LSTM to be of any advantagecompared to simpler, much faster methods such as TF-IDF + LogReg.Notes:- RNNs are tricky. Choice of batch size is important,choice of loss and optimizer is critical, etc.Some configurations won't converge.- LSTM loss decrease patterns during training can be quite differentfrom what you see with CNNs/MLPs/etc.'''from __future__ import print_functionfrom keras.preprocessing import sequencefrom keras.models import Sequentialfrom keras.layers import Dense, Embeddingfrom keras.layers import LSTMfrom keras.datasets import imdbmax_features = 20000maxlen = 80 # cut texts after this number of words (among top max_features most common words)batch_size = 32print('Loading data...')(x_train, y_train), (x_test, y_test) = imdb.load_data(nb_words=max_features)print(len(x_train), 'train sequences')print(len(x_test), 'test sequences')print('Pad sequences (samples x time)')x_train = sequence.pad_sequences(x_train, maxlen=maxlen)x_test = sequence.pad_sequences(x_test, maxlen=maxlen)print('x_train shape:', x_train.shape)print('x_test shape:', x_test.shape)print('Build model...')model = Sequential()model.add(Embedding(max_features, 128))#model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))model.add(LSTM(128))model.add(Dense(1, activation='sigmoid'))# try using different optimizers and different optimizer configsmodel.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])print('Train...')model.fit(x_train, y_train, batch_size=batch_size, nb_epoch=15, validation_data=(x_test, y_test))score, acc = model.evaluate(x_test, y_test, batch_size=batch_size)print('Test score:', score)print('Test accuracy:', acc)
通过summary()得到的函数统计如下:
____________________________________________________________________________________________________Layer (type) Output Shape Param # Connected to====================================================================================================embedding_3 (Embedding) (None, None, 128) 2560000 embedding_input_1[0][0]____________________________________________________________________________________________________lstm_1 (LSTM) (None, 128) 131584 embedding_3[0][0]____________________________________________________________________________________________________dense_9 (Dense) (None, 1) 129 lstm_1[0][0]====================================================================================================Total params: 2,691,713Trainable params: 2,691,713Non-trainable params: 0
阅读全文
0 0
- Keras学习---RNN模型建立篇
- 深度学习——keras训练RNN模型
- Keras学习---MLP和CNN模型建立篇
- rnn学习,keras rnn实践 文本生成
- Keras学习笔记:Chapter2-初探Keras模型
- Keras学习之四:用RNN进行评论好恶预测
- 十分钟掌握Keras实现RNN的seq2seq学习
- [深度学习框架] Keras上使用RNN进行mnist分类
- Keras深度学习模型可视化
- keras学习笔记(2)-模型
- Tensorflow中Demo学习:RNN语言模型
- RNN模型
- 用 keras 建立超简单的汉字识别模型
- 揭秘Keras推荐系统如何建立模型、获取用户爱好
- keras学习笔记-二(Sequential 模型)
- 可视化Keras深度学习神经网络模型
- 可视化Keras深度学习神经网络模型
- Keras模型
- Wintows10系统 磁盘的有小图标改为平铺形式
- 测试初体验
- Bootstrap辅助类和响应式工具
- js事件应用--基础(事件对象、鼠标事件、键盘事件)
- Codeforces #831D: Office Keys 题解
- Keras学习---RNN模型建立篇
- Codeforces-831E Cards Sorting(树状数组)
- python sqlite3
- java技术之静态代理
- 冒泡排序
- Hadoop发行版
- 如何判断并求出一个整数x是否可以表示成n(n>=2)个连续正整数的和。
- 2017暑期集训 Day 3 搜索与并查集
- USACO-section1.5 Prime Palindromes[回文数][素数]